人人好，今天跟人人共享一篇题为Metabo lomic machine learning predictor for diagnosis and prognosis of gastric cancer（代谢组学机器学习展望癌症的会诊和预后）胃癌(GC)是全球癌症关系死一火率的一个时弊包袱AG百家乐能赢吗，这突显了要紧需要制定早期检测战略和精确的术后干与轮番。

征询配景

胃癌 （GC） 谢天下领域内组成了癌症关系死一火率的千里重包袱，突显了制定早期检测战略和精确术后干与的要紧需求。但是，用于早期会诊和患者风险分层的无创生物象征物的坚强仍未获取充分探索。在这里，咱们对来自多中心参与者的 702 份血浆样本进行了有针对性的代谢组学分析，以敷陈 GC 代谢重编程。

咱们的机器学习分析揭示了一个 10 代谢物 GC 会诊模子，该模子在外部测试辘集进行了考据，智谋度为 0.905，优于应用癌症卵白质象征物的传统法子（智谋度< 0.40）。此外，咱们机器学习繁衍的预后模子推崇出优于应用临床参数的传统模子的性能，并有用地将患者分层到不同的风险组以指引精确干与。

总的来说，咱们的征询效劳揭示了 GC 的代谢景不雅，并细则了两个不同的生物象征物组，分别好像进行早期检测和预后展望，从而促进 GC 的精确医疗。

见图一

征询的暗意图笼统。

图一

征询缱绻笼统。该插图是使用 BioRender.com 上的竣工许可证创建的。该征询共纳入 702 东说念主，他们的血浆样本袭取了靶向代谢组学分析。比较部队 1 （n = 426） 中胃癌 （GC） 患者和非 GC 对照 （NGC） 的代谢特征，以描写 GC 中的代谢重编程。使用来自部队 1 的代谢组学数据和机器学习技能，创建并考据了 GC 会诊模子（10-DM 模子）。该模子在测试集 2 （部队 2，n = 95） 中获取了进一步考据。使用机器学习算法分析来自部队 3 （n = 181） 患者的代谢组学数据过头临床特征，以成就预后模子 （28-PM 模子）。这两个模子的性能以临床使用的生物象征物/临床特征为基准。图中不同颜料的三角形代表用于模子构建、考据和比较过程的不同参与者组。源数据算作 源数据 文献提供。

见图二GC 患者与非 GC 对照比拟的重编程血浆代谢景不雅。

图二

a 部队 1 （n = 426） 血浆靶向代谢组学数据的主因素分析 （PCA），比较 GC 患者（紫色）和 NGC 对照（绿色）。

b 部队 1 血浆代谢组学中检测到的代谢物的火山图（GC 患者与 NGC 对照）。显耀互异代谢物呈紫色（上调）和绿色（下调）;其他的则为灰色。双侧 Wilcoxon 秩和历练，然后是 Benjamini-Hochberg （BH） 多重比较历练，AG百家乐上头造作发现率 （FDR） < 0.05，倍数变化 （FC） > 1.25 或 < 0.8。

c 字据代谢变化的雷同性，使用互异代谢物对 GC 进展过程中的代谢轨迹进行 Mfuzz 聚类。每个簇的代表性代谢物走漏在侧面。

d 京齐基因和基因组百科全书 （KEGG） 代谢阶梯在 GC 患者和 NGC 对照之间由廓清互异代谢物富集。使用单侧 Fisher 精确历练，然后是 BH 多重比较历练，仅忽视 FDR < 0.05 的通路。源数据算作 源数据 文献提供。

见图三基于血浆代谢组的机器学习繁衍展望模子用于 GC 会诊。

图三

a 建模责任进程的缱绻。接收 LASSO 归来和立时丛林算法进行特征接收和模子西宾。10-DM 模子在测试集和外部测试辘集进行了考据。该插图是使用 BioRender.com 上的竣工许可证创建的。

b 测试集 1 顶用于会诊 GC 患者的受试者责任特征 （ROC） 弧线。字据 1000 次立时抽样测试的均值和协方差计较 95% 置信区间。

c 10 种代谢物对 10-DM 模子的孝敬。

d–g，10-DM 模子在测试集 1 （d） 和测试集 2 （e） 中别离 GC （紫色）和 NGC （绿色），以及别离 I 期 GC 患者 （IA 期黄色和 IB 期棕色） 在测试集 1 （f） 和测试集 2 中与 NGC 的展望性能 （g).虚线线路 0.50 的狂妄值，用于将展望的 NGC（左侧）与 GC（右侧）分开。源数据算作 源数据 文献提供。

见图四

预后模子在展望 GC 患者预后方面优于临床参数。

图四

a 预后模子缱绻的暗意图大纲。S 幸存下来，D 物化。

b 测试集的 ROC 弧线分析。95% CI 是字据 1000 次立时抽样测试的平均值和协方差计较得出的。

c 通过单变量 Cox 归来分析细则的具有廓清预后关系性的临床参数的丛林图。P < 0.05 的参数被觉得具有统计学兴味，并由绿线线路。中间的点和线代表 HR 和 95% Cl，由 log 10 缩放。EGC，早期胃癌。TNM 分期、肉眼外不雅和血管肿瘤栓塞的 P 值分别字据 n = 181 、 180 和 180 个孤独样本的数据计较。

d 测试辘集宏不雅外不雅、TNM 分期、血管肿瘤栓塞和 28-PM 模子的 C 指数值比较 （n = 60）。C 指数和 95% Cl 走漏在相对彩色条柱下。

e 使用 28-PM 模子对测试集患者 （n = 60） 进行预后展望。以 2.1 的临界值绘画的虚线将患者分为高危组和低危组。绿色圆圈和灰色圆圈线路测试辘集的 survived 和 deceased。箭头指向死于腹黑病发作的死者。

f Kaplan-Meier 弧线走漏测试集 GC 患者 （n = 60） 的总生活期 （OS） 和无病生活期 （DFS），按预后风险评分 （临界值 = 2.1） 分层。P 值接收双侧对数秩历练计较。g 高危组死一火和复发/升沉比例较高。使用双侧 Fisher 精确历练计较 P 值。源数据算作 源数据 文献提供。

02

征询论断

总的来说，咱们的发现描写了 GC 中的代谢重编程，并招引了机器学习算法来构建两个模子，分别识别 GC 患者并展望他们的预后。咱们的责任增强了对 GC 病理学的交融，促进了 GC 早期检测的发展，并敷陈了 GC 的精确调治。更一般地说，该框架隆起了基于机器学习的组学数据诠释在肿瘤检测和决策指引方面的独到上风，况兼不错实践到探索其他疾病。

好了AG百家乐能赢吗，今天的文献解读就到这儿来，咱们下期再会！若是你正在开展临床征询.需要决策缱绻.数据处置. 数据分析等撑抓.也随时不错探讨咱们。